要点速览
- 扫描件、翻拍文档、传真件都适用
- 300dpi 左右的扫描件识别效果通常最好
- 倾斜的扫描件建议先做纠偏再识别
- 识别结果可导出 TXT，便于归档和检索
支持的图片格式与识别参数
| 项目 | 说明 |
|---|---|
| 支持格式 | PNG、JPG、JPEG、BMP、WebP |
| 单文件上限 | 10MB |
| 参考耗时 | 约 5 秒 |
| 识别语言 | 中文、英文 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | HEIC、TIFF、GIF 需另存为 PNG 或 JPG |
纸质材料电子化的两条路
把纸质文档变成电子文件，有两种不同的目标。一种是保留原貌，做法是扫描或拍照存成 PDF 或图片，文件看起来和原件一样，但内容不能被搜索。另一种是提取内容，做成可编辑的文本，能修改、能检索、能引用。
文字识别扫描属于第二种。很多单位的档案整理、票据归档、资料汇编都需要这一步，否则堆积的扫描件只是一堆"看得见但用不上"的图片。
扫描件质量与识别效果
| 扫描参数 | 识别表现 | 说明 |
|---|---|---|
| 300dpi 黑白 | 最好 | 文字锐利，文件体积适中 |
| 300dpi 灰度 | 好 | 保留细节，适合有浅色标记的文档 |
| 150dpi 及以下 | 一般 | 小字容易糊，错字增多 |
| 彩色高分辨率 | 好但体积大 | 超过 10MB 需先压缩 |
| 手机翻拍 | 视拍摄质量而定 | 注意平整度、反光与阴影 |
扫描件常见的三个问题
第一个是倾斜。装订成册的资料在复印或扫描时很难完全贴合玻璃面，页面往往有几度倾斜。这种情况建议先用图片工具做一次自动纠偏，再上传识别，效果提升明显。
第二个是噪声。老文档、复印件上会有底灰、斑点、复印痕迹，这些都会被 OCR 当成候选字形处理。如果在扫描时就开启"去除杂点"选项，能省掉后期大量的手工清理。
第三个是印章与手写。印章会覆盖正文，手写批注的字形与印刷体差别大，两者都会拉低识别质量。这类内容建议识别后单独人工补录。
批量文档的处理顺序
- 按文档类型或日期分组，给每份文件命名
- 逐份检查倾斜与清晰度，必要时先纠偏、去杂点
- 单份文件控制在 10MB 以内，超出的拆分成多页
- 逐页上传识别，识别结果按原文件名保存
- 统一校对数字、日期、编号等关键字段
识别后的文本怎么管理
档案类材料的价值在于可检索。识别完成后建议按"年份-类型-编号"的规则统一命名文本文件，再放进对应的目录结构，后续查找会比翻找图片快得多。
如果原始材料同时包含图片和音视频，可以在拾文雀的工作台里分别处理：文档图片走图片识别，录音材料走录音转文字，输出的都是纯文本，便于统一归档。
涉及个人信息的档案材料，电子化之后要注意存储安全，避免放在公共设备或共享目录里。
档案数字化的推进顺序
手上有大量纸质材料要数字化时，不要从最有价值的开始，而应该从最容易处理的开始。先用几十页常规文档跑通完整流程，把命名规则、存储结构、校对标准都定下来，再处理复杂材料。
推进顺序上，建议按"使用频率"而不是"重要程度"排序。经常需要查阅的材料优先数字化，投入能立刻转化为效率；很少翻动的材料放后面，避免把时间花在用不上的整理上。
每一批处理完成后做一次小结：哪个环节最耗时、哪类材料问题最多、下次可以怎么调整。数字化是长期工作，流程每优化一次，后面的每一批都受益。
常见问题
扫描件和普通照片识别效果有差别吗？
通常有。扫描件光照均匀、没有透视变形，文字边缘更锐利，识别效果普遍好于手机翻拍的照片。
一页文档扫描多少 dpi 合适？
文字类文档建议 300dpi，既保证清晰度又控制体积。照片类或带图表的页面可用 300dpi 灰度，避免文件过大。
倾斜的扫描件需要先处理吗？
建议处理。倾斜角度超过 3 到 5 度就会影响识别，先用图片工具做自动纠偏再上传，结果会明显更干净。
能识别盖章遮挡的文字吗？
被印章完全覆盖的文字无法识别，部分遮盖的会根据剩余笔画猜测，准确性不高，建议这类内容人工补录。